基于人工智能的图像处理方法、系统及训练方法技术方案

本申请明公开了一种基于人工智能的图像处理方法、系统及训练方法，该图像处理方法包括：获取待处理图像；基于切片操作及卷积神经网络对所述待处理图像进行特征提取，得到多个特征图；所述多个特征图依次经由第一CBL模块、第一CSP模块、第二CBL模块、第二CSP模块处理；其中，CSP模块处理待处理特征图时，待处理特征图依次经由CBL模块、若干个残差组件以及第一卷积神经网络处理后，得到第一特征图，待处理特征图经由第二卷积神经网络处理得到第二特征图，对第一特征图与第二特征图进行合并，然后进行批量归一化处理和激活处理；得到对所述待处理图像的处理结果。本申请能够大大地提高建筑施工场景下的智能化程度。建筑施工场景下的智能化程度。建筑施工场景下的智能化程度。

【技术实现步骤摘要】
基于人工智能的图像处理方法、系统及训练方法


[0001]本申请涉及人工智能
，尤其涉及一种基于人工智能的图像处理方法、系统及训练方法。

技术介绍

[0002]随着人工智能技术的发展，深度学习技术被应用到各大领域，例如面部识别、目标检测、图像分割等，为各行各业提供了解决问题的新方法和新思路。但是，在土木领域中，由于建筑施工场景下的图像背景非常冗杂，从而导致相关的数据集质量不佳，造成了目前在土木领域中建筑施工的智能化程度较低。

技术实现思路

[0003]本申请提供一种基于人工智能的图像处理方法、系统及训练方法，以解决目前土木领域中建筑施工智能化程度较低的技术问题。
[0004]第一方面，本申请实施例提供一种基于人工智能的图像处理方法，包括：获取待处理图像；对所述待处理图像进行特征提取，得到多个特征图；所述多个特征图依次经由第一CBL模块、第一CSP模块处理；其中，第一CSP模块处理待处理特征图时，待处理特征图依次经由第三CBL模块、若干个残差组件以及第一卷积神经网络处理后，得到第一特征图，待处理特征图经由第二卷积神经网络处理得到第二特征图，对第一特征图与第二特征图进行合并，然后进行批量归一化处理和激活处理；经过第一CBL模块、第一CSP模块处理后的特征图经由第二CBL模块、第二CSP模块处理；其中，第二CSP模块处理待处理特征图时，待处理特征图依次经由第四CBL模块、若干个残差组件以及第三卷积神经网络处理后，得到第三特征图，待处理特征图经由第四卷积神经网络处理得到第四特征图，对第三特征图与第四特征图进行合并，然后进行批量归一化处理和激活处理；得到对所述待处理图像的处理结果。
[0005]一种可能的实施方式中，在第一CSP模块中，对残差组件处理得到的特征图进行注意力提升处理，得到第五特征图，将第五特征图与残差组件处理得到的特征图进行合并，然后基于第一卷积神经网络对合并后的特征图进行特征提取，得到第一特征图；在第二CSP模块中，对残差组件处理得到的特征图进行注意力提升处理，得到第六特征图，将第六特征图与残差组件处理得到的特征图进行合并，然后基于第三卷积神经网络对合并后的特征图进行特征提取，得到第三特征图。
[0006]一种可能的实施方式中，对残差组件处理得到的特征图进行注意力提升处理包括如下步骤：
步骤S11. 对残差组件处理得到的特征图进行卷积处理；步骤S12. 对卷积处理后的特征图进行激活处理，得到第七特征图；步骤S13. 沿着特征图的通道求取每一个通道的均值；步骤S14. 对求取得到的均值进行1*1卷积处理，以进行通道融合；步骤S15. 将融合后的均值进行批量归一化处理；步骤S16. 对批量归一化处理后的均值进行激活处理，得到第一均值；步骤S17. 将第七特征图与第一均值进行相乘，得到注意力提升处理后的特征图。
[0007]一种可能的实施方式中，步骤S11中对残差组件处理得到的特征图进行3*3卷积处理，步骤S12中采用Leaky ReLU函数对卷积处理后的特征图进行非线性激活，步骤S16中采用sigmoid函数对批量归一化处理后的均值进行非线性激活。
[0008]一种可能的实施方式中，第一CBL模块、第二CBL模块、第三CBL模块包括卷积神经网络、批量归一化和激活函数。
[0009]第二方面，本申请实施例提供一种基于人工智能的图像处理系统，用于实现如第一方面所述的基于人工智能的图像处理方法，包括基础设备层、应用服务层和接口访问层，其中，基础设备层用于提供人工智能算法部署和图像处理的存储设备和计算设备，应用服务层包括人工智能算法部署环境和至少一个人工智能算法，所述人工智能算法中的至少一个采用如第一方面所述的基于人工智能的图像处理方法，接口访问层用于接收待处理图像并返回处理结果。
[0010]一种可能的实施方式中，应用服务层的人工智能算法包括边缘检测算法、安全帽检测算法、口罩检测算法、裂纹检测算法、钢筋数目检测算法、室内场景语义分割算法、危险区域检测算法。
[0011]第三方面，本申请实施例提供一种基于人工智能的图像处理系统的训练方法，用于对如第二方面所述的基于人工智能的图像处理系统进行训练，包括：采集用于训练的数据集，并且对用于预训练的开源数据集赋予权重；将注意力提升处理的权重设置为随机值，进行迁移学习。
[0012]第四方面，本申请实施例提供一种电子设备，包括：处理器和存储器；所述存储器用于存储计算机程序；所述处理器被配置为通过执行计算机程序来实现如第一方面的基于人工智能的图像处理方法。
[0013]第五方面，本申请实施例提供一种可读存储介质，可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如第一方面的基于人工智能的图像处理方法。
[0014]实施本专利技术，具有如下有益效果：本申请实施例提供一种基于人工智能的图像处理方法、系统及训练方法，该基于人工智能的图像处理方法包括：获取待处理图像；基于切片操作及卷积神经网络对所述待处理图像进行特征提取，得到多个特征图；所述多个特征图依次经由第一CBL模块、第一CSP模块、第二CBL模块、第二CSP模块处理；其中， CSP模块处理待处理特征图时，待处理特征图依次经由CBL模块、若干个残差组件以及卷积神经网络处理后，得到第一特征图，待处理特征图经由第二卷积神经网络处理得到第二特征图，对第一特征图与第二特征图进行合并，然后进行批量归一化处理和激活处理；得到对所述待处理图像的处理结果；能够对建筑施工场景下的图像进行处理，实现边缘检测、安全帽检测、口
罩检测、裂纹检测、钢筋数目检测、室内场景语义分割、危险区域检测的功能。本申请能够大大地提高建筑施工场景下的智能化程度。
附图说明
[0015]为了更清楚地说明本专利技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0016]图1是本申请实施例提供的基于人工智能的图像处理方法的流程图；图2是本申请实施例提供的注意力提升处理的流程图；图3是本申请实施例提供的基于人工智能的图像处理系统的结构示意图；图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
[0017]下面将对专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0018]针对建筑施工场景下的图像背景非常冗杂，从而导致相关的数据集质量不佳，造成了目前在土木领域中建筑施工的智能化程度较低的情况，本申请实施例通过基于Yolov5模型，在第一CSP模块和第二CPS模块中增加注意力提升模块，用来提升网络抽取图像全局特征的能力，具有对冗杂的施工场景下的图像更好的目标检测能力，实现了提高建筑施工场本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的图像处理方法，包括：获取待处理图像；对所述待处理图像进行特征提取，得到多个特征图；所述多个特征图依次经由第一CBL模块、第一CSP模块处理；其中，第一CSP模块处理待处理特征图时，待处理特征图依次经由第三CBL模块、若干个残差组件以及第一卷积神经网络处理后，得到第一特征图，待处理特征图经由第二卷积神经网络处理得到第二特征图，对第一特征图与第二特征图进行合并，然后进行批量归一化处理和激活处理；经过第一CBL模块、第一CSP模块处理后的特征图经由第二CBL模块、第二CSP模块处理；其中，第二CSP模块处理待处理特征图时，待处理特征图依次经由第四CBL模块、若干个残差组件以及第三卷积神经网络处理后，得到第三特征图，待处理特征图经由第四卷积神经网络处理得到第四特征图，对第三特征图与第四特征图进行合并，然后进行批量归一化处理和激活处理；得到对所述待处理图像的处理结果。2.根据权利要求1所述的图像处理方法，其特征在于，在第一CSP模块中，对残差组件处理得到的特征图进行注意力提升处理，得到第五特征图，将第五特征图与残差组件处理得到的特征图进行合并，然后基于第一卷积神经网络对合并后的特征图进行特征提取，得到第一特征图；在第二CSP模块中，对残差组件处理得到的特征图进行注意力提升处理，得到第六特征图，将第六特征图与残差组件处理得到的特征图进行合并，然后基于第三卷积神经网络对合并后的特征图进行特征提取，得到第三特征图。3.根据权利要求2所述的图像处理方法，其特征在于，对残差组件处理得到的特征图进行注意力提升处理包括如下步骤：步骤S11. 对残差组件处理得到的特征图进行卷积处理；步骤S12. 对卷积处理后的特征图进行激活处理，得到第七特征图；步骤S13. 沿着特征图的通道求取每一个通道的均值；步骤S14. 对求取得到的均值进行1*1卷积处理，以进行通道融合；步骤S15. 将融合后的均值进行批量归一化处理；步骤S16....

【专利技术属性】
技术研发人员：罗锋，聂聪，
申请(专利权)人：以见科技上海有限公司，
类型：发明
国别省市：